量化模型与因子总结 量化模型与构建方式 1. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略[2][24] * **模型构建思路**：通过结合刻画基金经理交易动机的因子和反映其股票交易直接收益的因子，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[24]。 * **模型具体构建过程**： * **因子构建**：策略使用了两个核心因子。 1. **交易动机因子**：该因子由估值/流动性动机因子、业绩粉饰动机因子等权合成。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[47]。 2. **股票价差收益因子**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[47]。 * **策略构建**：将上述两个因子相结合，构建选基策略。策略采用半年频调仓，每年3月末/8月末进行调仓，从主动权益型基金中筛选，并扣除交易成本[24]。 2. **模型名称**：交易独特性选基策略[3][32] * **模型构建思路**：根据基金经理持股、交易的明细构建网络，并由此构建刻画基金经理交易独特性的指标，用于筛选基金[3][32]。 * **模型具体构建过程**： * **因子构建**：策略核心为**交易独特性因子**。先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[48]。 * **策略构建**：基于交易独特性因子构建选基策略。策略采用半年频调仓，在每年4月初/8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[32]。 3. **模型名称**：基于申报信息的行业主题ETF轮动策略[4][39] * **模型构建思路**：对基金发行全流程进行事件驱动研究，利用申请材料公示阶段具有前瞻性的信息，构造因子来筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][39]。 * **模型具体构建过程**： * **因子构建**：策略核心为**行业主题申报相似因子（T+1）**。先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，从而构建该因子[48]。 * **策略构建**：基于行业主题申报相似因子构建ETF轮动策略。策略采用月频调仓，从行业主题ETF中进行筛选，交易费率为单边千分之一，基准为中证800指数[39]。 模型的回测效果 1. **基于交易动机因子及股票价差收益因子的选基策略**[28] * 12月份收益率：1.56% * 年化收益率：10.85% * 年化波动率：21.62% * Sharpe比率：0.50 * 最大回撤率：48.39% * 年化超额收益率（相对万得偏股混合型基金指数）：3.64% * 信息比率(IR)：0.61 * 超额最大回撤率：19.22% * 12月份超额收益率：-1.54% 2. **交易独特性选基策略**[36] * 12月份收益率：5.36% * 年化收益率：13.40% * 年化波动率：19.52% * Sharpe比率：0.69 * 最大回撤率：37.26% * 年化超额收益率（相对万得偏股混合型基金指数）：5.66% * 信息比率(IR)：1.09 * 超额最大回撤率：10.84% * 12月份超额收益率：2.27% 3. **基于申报信息的行业主题ETF轮动策略**[43][44] * 12月份收益率：5.84% * 年化收益率：19.22% * 年化波动率：21.05% * Sharpe比率：0.91 * 最大回撤率：34.89% * 年化超额收益率（相对中证800指数）：11.33% * 信息比率(IR)：0.64 * 超额最大回撤率：19.07% * 12月份超额收益率：2.53% 量化因子与构建方式 1. **因子名称**：交易动机因子[47] * **因子构建思路**：刻画基金经理的交易动机，区分为估值/流动性动机和业绩粉饰动机[47]。 * **因子具体构建过程**：该因子由**估值/流动性动机因子**、**业绩粉饰动机因子**等权合成。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[47]。 2. **因子名称**：股票价差收益因子[47] * **因子构建思路**：直接反映基金经理通过股票交易获取价差收益的能力[47]。 * **因子具体构建过程**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[47]。 3. **因子名称**：交易独特性因子[48] * **因子构建思路**：基于基金经理网络，度量基金经理交易行为与其关联基金经理的差异程度[48]。 * **因子具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[48]。 4. **因子名称**：行业主题申报相似因子（T+1）[48] * **因子构建思路**：利用新申报ETF的信息，计算其与现存行业主题ETF的相似度，以捕捉市场热点[48]。 * **因子具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，从而构建该因子[48]。 5. **因子名称**：基金业绩动量类因子[47] * **因子构建思路**：从多个维度衡量基金的历史业绩动量[47]。 * **因子具体构建过程**：该类因子由四个因子等权重合成，包含4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数，均用过去1年的基金净值数据进行计算[47]。 6. **因子名称**：选股能力因子[47] * **因子构建思路**：评估基金经理的选股能力[47]。 * **因子具体构建过程**：该因子根据多期Brinson模型，使用基金季频重仓股数据进行计算，由选股胜率、选股超额收益率两个因子等权重合成而来[47]。 7. **因子名称**：隐形交易能力因子[47] * **因子构建思路**：从收益和风险两个层面度量基金交易（非重仓股部分）带来的贡献[47]。 * **因子具体构建过程**：该因子由隐形收益能力因子、风险转移能力因子等权重合成而来[47]。 8. **因子名称**：主动轮动收益因子[48] * **因子构建思路**：体现基金风格轮动带来的结果收益[48]。 * **因子具体构建过程**：该因子根据区间风格主动变化及区间风格因子收益计算[48]。 9. **因子名称**：绝对主动轮动指标[48] * **因子构建思路**：剥离被动风格变化，纯粹衡量基金经理主动进行风格调整的部分[48]。 * **因子具体构建过程**：该因子将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[48]。 10. **其他因子类别**：报告中还提及了**基金规模类因子**、**持有人结构类因子**、**含金量因子**等，但未详细描述其具体构建过程[47]。